Apache Nutch爬虫 - 仅爬取现有表中的新注入URL
创始人
2024-09-04 14:01:22
0

要使用Apache Nutch爬虫仅爬取现有表中的新注入URL,可以使用以下解决方法:

  1. 创建一个自定义的Nutch插件,在该插件中实现筛选逻辑,只爬取现有表中的新注入URL。

首先,创建一个继承自Nutch的插件类,例如CustomInjectorPlugin:

import org.apache.hadoop.conf.Configuration;
import org.apache.nutch.crawl.InjectorJob;
import org.apache.nutch.plugin.Extension;
import org.apache.nutch.plugin.PluginRepository;
import org.apache.nutch.util.NutchConfiguration;

public class CustomInjectorPlugin {
    public static void main(String[] args) throws Exception {
        // 加载Nutch配置
        Configuration conf = NutchConfiguration.create();

        // 获取所有注册的插件
        Extension[] extensions = PluginRepository.get(conf).getExtensionPoint(InjectorJob.X_POINT_ID).getExtensions();

        // 遍历插件并找到自定义的注入器插件
        for (Extension extension : extensions) {
            if (extension.getId().equals("custom-injector")) {
                // 使用自定义的注入器插件进行注入
                InjectorJob injector = new InjectorJob(conf);
                injector.inject(extension.getDescriptor().getPluginAttribute("injector.path"));
                break;
            }
        }
    }
}

接下来,在Nutch的配置文件中(nutch-site.xml)中添加以下配置:


  
    plugin.includes
    protocol-http|urlfilter-regex|parse-(html|tika)|index-basic|index-(anchor|more)|indexer-elastic|scoring-opic|urlnormalizer-(pass|regex|basic)|protocol-httpclient|custom-injector
    插件加载顺序
  
  
  
    custom.injector.path
    /path/to/custom-injector
    自定义注入器插件的路径
  

在上述配置中,我们添加了一个自定义的injector插件,并指定了该插件的路径。

最后,编译并运行CustomInjectorPlugin类,它将使用自定义的注入器插件仅爬取现有表中的新注入URL。

  1. 使用Nutch的命令行工具进行筛选。

Nutch提供了命令行工具来处理爬虫任务,其中包括部分命令可以用来筛选URL。

首先,使用Nutch的inject命令将新的URL注入到现有表中:

$ bin/nutch inject crawl/crawldb urls/seed.txt

然后,使用Nutch的generate命令生成需要爬取的URL列表:

$ bin/nutch generate crawl/crawldb crawl/segments

接下来,使用Nutch的fetch命令根据某些条件(例如新注入的URL)来爬取URL:

$ bin/nutch fetch crawl/segments/* -noParsing -noParsingFilter -noCrawlFilter

在上述命令中,我们使用了一些选项来禁用解析和爬取过滤器,以确保所有URL都被爬取。

最后,使用Nutch的updatedb命令更新现有表:

$ bin/nutch updatedb crawl/crawldb crawl/segments

这样,只有新注入的URL会被爬取,并更新到现有表中。

请注意,第二种方法是使用Nutch的默认功能和命令行工具进行URL筛选,不需要编写自定义插件。

相关内容

热门资讯

iwatch怎么连接安卓系统,... 你有没有想过,那款时尚又实用的iWatch,竟然只能和iPhone好上好?别急,今天就来给你揭秘,怎...
安卓系统怎么连不上carlif... 安卓系统无法连接CarLife的原因及解决方法随着智能手机的普及,CarLife这一车载互联功能为驾...
oppo手机安卓系统换成苹果系... OPPO手机安卓系统换成苹果系统:现实吗?如何操作?随着智能手机市场的不断发展,用户对于手机系统的需...
安卓平板改windows 系统... 你有没有想过,你的安卓平板电脑是不是也能变身成Windows系统的超级英雄呢?想象在同一个设备上,你...
iphone系统与安卓系统更新... 最近是不是你也遇到了这样的烦恼?手机更新系统总是失败,急得你团团转。别急,今天就来给你揭秘为什么iP...
安卓系统上滑按键,便捷生活与高... 你有没有发现,现在手机屏幕越来越大,操作起来却越来越方便了呢?这都得归功于安卓系统上的那些神奇的上滑...
安卓系统连接耳机模式,蓝牙、有... 亲爱的手机控们,你们有没有遇到过这种情况:手机突然变成了“耳机模式”,明明耳机没插,声音却只从耳机孔...
希沃系统怎么装安卓系统,解锁更... 亲爱的读者们,你是否也像我一样,对希沃一体机上的安卓系统充满了好奇呢?想象在教室里,你的希沃一体机不...
安装了Anaconda之后找不... 在安装Anaconda后,如果找不到Jupyter Notebook,可以尝试以下解决方法:检查环境...
安卓换鸿蒙系统会卡吗,体验流畅... 最近手机圈可是热闹非凡呢!不少安卓用户都在议论纷纷,说鸿蒙系统要来啦!那么,安卓手机换上鸿蒙系统后,...